(Big) data - Où en sont les entreprises françaises ?

Déployer une stratégie (Big) data efficace

  • Partagez

La révolution (Big) data n’a pas encore eu lieu

Deux tiers des entreprises françaises (63 %) considèrent que le Big data est un concept intéressant mais encore trop flou,  difficile à appréhender au sein des entreprises, tant en termes de transformation organisationnelle, de stratégie, de ROI que de gestion et de formation des compétences.

« La deuxième révolution de la (Big) data sera celle de l'exploitation des données non structurées et de l'open data. »
Bruno Perrin, Associé - Ernst & Young et Associés
Responsable du secteur Technologies, Médias, Télécoms en France
  • Peu d’études d’opportunités (Big) data sont menées : pour l’heure, la moitié des entreprises n’a pas étudié les opportunités éventuelles liées au Big data. Seules 9 % des entreprises de notre panel ont lancé à la fois une étude d’opportunité du Big data et mis en place une stratégie globale de gestion de leurs données clients.
  • L’entreprise n’a pas de vision 360° de la data : la moitié des entreprises interrogées reconnaît que l’absence « d’un plan d’action clair qui constitue une feuille de route pour l’ensemble de l’entreprise » est un frein à une exploitation optimale des données clients. 57 % des entreprises non matures considèrent la perception du top management comme un frein contre 11 % pour les très matures.

Il n’existe pas encore de « gouvernance data » : selon le niveau de maturité des entreprises, la responsabilité de la stratégie data et son application incombe soit à la direction marketing soit à la DSI d’impulser et/ou de mettre en place la stratégie data, mais aussi de concentrer les compétences data de l’entreprise. Outre-Atlantique, on voit émerger une fonction de Chief Data Officer qui a la charge de l’ensemble des questions relatives à la stratégie data de l’entreprise.

Stratégie (Big) data : deux approches coexistent actuellement

Parmi les entreprises interrogées pour notre étude et celles auprès desquelles nos sommes intervenus récemment, nous observons deux tendances principales en matière d’élaboration d’une stratégie de données clients : le modèle Bottom-up et le modèle Top-down.

  • Le modèle « Bottom-up »

Son objectif est double : lancer des projets au niveau opérationnel afin de valider les avancées et bénéfices potentiels à en tirer, sachant que les projets sont issus de l’analyse du champ des possibilités offertes par le Big data.

Ce modèle « test & learn » a un triple avantage : des résultats d’impacts concrets sur la société, un effet d’apprentissage sur les équipes et le lancement de plusieurs projets en parallèle.

Il a cependant ses limites : l’absence d’indicateurs de performance et l’absence de fil conducteur commun entre les projets.

  • Le modèle « Top-down »

Ce modèle repose sur la définition d’une stratégie Big data et d’une feuille de route avec des offres allant jusqu’à la monétisation de la data, des pistes pour mieux exploiter les data internes ainsi qu’un programme d’enrichissement
externe du patrimoine data de l’entreprise.

Dans ce cas, le management soutient la démarche et insuffle une transversalité, incitant les métiers à travailler ensemble sur la data. Limites du modèle :  des délais de mise en place et de retours sur investissements relativement longs.

Facteurs clés de succès du déploiement d’une stratégie (Big) data

L’entreprise se doit de définir une stratégie (Big) data, avec la data comme axe stratégique au même titre que la politique tarifaire par exemple.

Les 5 facteurs clés de succès du déploiement d’une stratégie (Big) data sont :

  • Une transversalité indispensable en amont

L’un des premiers enjeux dans le déploiement d’une stratégie (Big) data consiste à mobiliser l’ensemble des directions qui disposent souvent de points de vue divers et complémentaires en matière de connaissance d’un client.

  • Une implication forte de la direction générale

Un programme de travail transverse mêlant des compétences et des entités aussi variées doit être porté par une implication forte, au niveau du Comité Exécutif ou d’une entité ayant déjà pour vocation de travailler en support de multiples entités métiers (direction de l’innovation, direction de la stratégie…).  Un soutien qui garantit une meilleure adhésion, une visibilité plus forte et évite que le projet ne soit restreint qu’à l’atteinte d’objectifs spécifiques de l’entreprise (développement des ventes, réduction des coûts…).

  • La mise en place d'un Agile Analytics Program

Un cadrage stratégique des enjeux et opportunités : il faut consacrer un temps significatif à la qualification des besoins et enjeux de l’entreprise et à son diagnostic maturité. Et ensuite seulement choisir les technologies les plus à même de répondre aux besoins identifiés et qualifiés.

Les POV* comme point d'ancrage : sur le sujet de la data, il est indispensable de travailler sur projets concrets, via des pilotes, autrement appelés POC (Proof Of Concept*).

Une feuille de route agile et un plan d’actions concret : la feuille de route à moyen terme (3/5 ans) doit définir des actions prioritaires concrètes, des objectifs à court et moyen termes, et des KPI associés à chacune des actions.
Il est important que les décideurs et utilisateurs finaux puissent utiliser eux-mêmes (et interagir avec) les résultats qui leur sont remontés (reporting).

  • La confiance by design

Les entreprises doivent donc prendre en compte, en amont de tout projet Big data, les enjeux de risques techniques, juridiques et réputationnels. Garantir la sécurité et l'intégrité des données traitées, la protection des données personnelles, tout en étant transparent sur l'utilisation de ces données répond à l'enjeu de réputation de l'entreprise à l'ère digitale.

 

----------
* POV : des POC (Proofs of Concept) associés à des études d'impact pour évaluer leur rentabilité (ROI)